什么是 Alink ？

Alink 是阿里巴巴计算平台事业部PAI团队从 2017 年开始基于实时计算引擎 Flink 研发的新一代机器学习算法平台，提供丰富的算法组件库和便捷的操作框架，开发者可以一键搭建覆盖数据处理、特征工程、模型训练、模型预测的算法模型开发全流程。

借助Flink在批流一体化方面的优势，Alink能够为批流任务提供一致性的操作。在实践过程中，Flink原有的机器学习库FlinkML的局限性显露出来（仅支持10余种算法，支持的数据结构也不够通用），但我们看重Flink底层引擎的优秀性能，于是基于Flink重新设计研发了机器学习算法库，于2018年在阿里集团内部上线，随后不断改进完善，在阿里内部错综复杂的业务场景中锻炼成长。

从我们研发Alink的第一天开始，就一直与社区紧密交流合作。多次在Flink Forward大会上介绍我们在机器学习算法库研发方面的最新进展，分享技术心得。

作为业界首个同时支持批式算法、流式算法的机器学习平台，Alink 提供了 Python 接口，开发者无需 Flink 技术背景也可以轻松构建算法模型。

Alink 已被广泛运用在阿里巴巴搜索、推荐、广告等多个核心实时在线业务中。在刚刚落幕的天猫双 11 中，单日数据处理量达到 970PB，每秒处理峰值数据高达 25 亿条。Alink 成功经受住了超大规模实时数据训练的检验，并帮助提升 4% CTR（商品点击转化率）。

开源

去年 Blink 开源的时候，我们就在考虑是否把 Alink 一起开源了。但是后来觉得，第一个开源还没做，不敢一下子步子迈得这么大，要一步步来，而且 Blink 开源也要准备很多东西。当时我们没有办法做到两个大的项目同时开源，所以就先把 Blink 开源做好。

Blink 开源以后，我们想是不是把 Alink 的算法推到 Flink 就好了。但是发现往社区贡献确实是比较复杂的过程，Blink 在推的时候已经占用了很大的带宽，而社区的带宽就那么多，没有办法同时做多件事情。社区也需要一段时间消化，所以决定先把 Blink 消化掉，贡献完了，社区吃得下，然后再把 Alink 逐步贡献回社区。这是没有办法跨越的一个过程。

FlinkML 和 Alink 的关系

FlinkML 是 Flink 社区现存的一套机器学习算法库，这一套算法库已经存在很久而且更新比较缓慢。Alink 是基于新一代的 Flink，完全重新写了一套，跟 FlinkML 没有代码上的关系。Alink 由阿里巴巴计算平台事业部PAI团队研发，开发出来以后在阿里巴巴内部也用了，然后现在正式开源出来。

未来我们希望 Alink 的算法逐渐替换掉 FlinkML 的算法，可能 Alink 就会成为新一代版本的 FlinkML，当然替换还需要一个比较漫长的过程。今年上半年我们积极参加新版FlinkML API的设计，分享Alink API设计的经验；Alink的Params等概念被社区采纳；6月份开始贡献FlinkML代码，已提交了40余个PR，包括算法基础框架、基础工具类及若干算法实现。

Alink 包含了非常多的机器学习算法，往 Flink 贡献或发布的时候也需要比较大的带宽，我们担心整个过程耗时会比较长，所以先把 Alink 单独开源出来，大家如果有需要的可以先用起来。后面贡献进展比较顺利的情况下，Alink 应该能完全合并到 FlinkML，也就是直接进入 Flink 生态的主干，这对于 Alink 来说是最好的归宿，到这个时候 FlinkML 就可以跟 SparkML 完全对应起来了。

相比 SparkML，Alink 的亮点是什么？

Alink 一是依赖于 Flink 计算引擎层；第二 Flink 框架中有 UDF 的算子，Alink 本身对算法做了很多优化，包括在算法实现上做了细节的优化，比如通信、数据访问、迭代数据处理的流程等多方面的优化。基于这些优化可以让算法运行的效率更高，同时我们还做了很多配套工具，让易用性更好。同时 Alink 还有一个核心技术，就是做了在线学习算法。在线学习需要高频快速更新的迭代算法，这种情况下 Alink 有天然的优势，像今日头条、微博的信息流都会经常遇到这样的在线场景。

在离线学习上 Alink 跟 SparkML 对比基本上差不多，只要大家工程化都做得足够好，离线学习无法打出代差，真正的代差一定是设计上的理念不一样。设计上、产品形态、技术形态不一样才会有代差明显的优势。

相比 SparkML，我们的基调是批式算法基本一致，包括功能和性能，Alink 可以支持算法工程师常用的所有算法，包括聚类、分类、回归、数据分析、特征工程等，这些类型的算法是算法工程师常用的。我们开源之前也对标了 SparkML 所有的算法，做到了 100% 对标。除此之外，Alink 最大的亮点是有流式算法和在线学习，在自己的特色上能做到独树一帜，这样对用户来说没有短板，同时优势又很明显。

主要功能和优势

丰富高效的算法库

Alink拥有丰富的批式算法和流式算法，不仅实现了丰富高效的算法，还提供了方便的python使用接口，帮助数据分析和应用开发人员能够从数据处理、特征工程、模型训练、预测，端到端地完成整个流程。

如下图所示，Alink提供的开源算法模块中，每一个模块都包含流式和批式算法。比如线性回归，包含批式线性回归训练，流式线性回归预测和批式线性回归预测。

友好的使用体验

为了提供更好的交互式和可视化体验，我们提供了PyAlink on notebook，用户可以通过PyAlink的python包使用Alink。支持单机运行，也支持集群提交。并且打通Operator(Alink算子)和DataFrame的接口，从而使得Alink整个算法流程无缝融入python。PyAlink也提供使用Python函数来调用UDF或者UDTF。

PyAlink在notebook中使用如下图，展示了一个模型训练预测，并打印出预测结果的过程：

★ PyAlink 的下载安装

PyAlink提供了下载安装包，需要Python 3.5及以上版本。

详细的下载安装说明，请访问：

https://github.com/alibaba/Alink#%E5%BF%AB%E9%80%9F%E5%BC%80%E5%A7%8B--pyalink-%E4%BD%BF%E7%94%A8%E4%BB%8B%E7%BB%8D

★ PyAlink的使用

我们在github上放了5个示例，为ipynb格式，大家可以直接运行体验。

PyAlink示例地址：

https://github.com/alibaba/Alink/tree/master/pyalink

这里也通过动画形式，展示一组PyAlink的使用示例：

示例1

示例2

高效的迭代计算框架

我们也开源了Alink的中间函数库，它是在我们基于Flink开发机器学习算法，不断优化性能的过程中总结和积累下来的。对于Flink社区的算法开发者会有非常大的帮助，可以基于我们的中间函数库，快速地开发出新的算法，而且相对于直接使用Flink的基本接口开发，性能上会有成倍的提升。

中间函数库中最重要的是 Iterative Communication/Computation Queue (简称ICQ)，是我们面向迭代计算场景总结的一套迭代通信计算框架，它集成了内存缓存技术和内存数据通信技术。我们把每个迭代步抽象为多个ComQueueItem（通信模块与计算模块）串联形成的队列。相对于Flink基础的IterativeDataSet有显著的性能提升，而且代码量相当，可读性更强。

ComQueueItem包括计算和通信两种类型。同时，ICQ还提供了初始化功能，用于将DataSet缓存到内存中，缓存的形式包括Partition和Broadcast两种形式。前者将DataSet分片缓存至内存，后者将DataSet整体缓存至每个worker的内存。默认支持了AllReduce通信模型。此外，ICQ还允许指定迭代终止条件。

基于ICQ迭代开发LBFGS算法的代码如下所示：


DataSet <Row> model = new IterativeComQueue()            .initWithPartitionedData(OptimVariable.trainData, trainData)            .initWithBroadcastData(OptimVariable.model, coefVec)            .initWithBroadcastData(OptimVariable.objFunc, objFuncSet)            .add(new PreallocateCoefficient(OptimVariable.currentCoef))            .add(new PreallocateCoefficient(OptimVariable.minCoef))            .add(new PreallocateLossCurve(OptimVariable.lossCurve, maxIter))            .add(new PreallocateVector(OptimVariable.dir, new double[] {0.0, OptimVariable.learningRate}))            .add(new PreallocateVector(OptimVariable.grad))            .add(new PreallocateSkyk(OptimVariable.numCorrections))            .add(new CalcGradient())            .add(new AllReduce(OptimVariable.gradAllReduce))            .add(new CalDirection(OptimVariable.numCorrections))            .add(new CalcLosses(OptimMethod.LBFGS, numSearchStep))            .add(new AllReduce(OptimVariable.lossAllReduce))            .add(new UpdateModel(params, OptimVariable.grad, OptimMethod.LBFGS, numSearchStep))            .setCompareCriterionOfNode0(new IterTermination())            .closeWith(new OutputModel())            .setMaxIter(maxIter)            .exec();



案例

案例1、情感分析

情感分析是对带有情感色彩（褒义贬义/正向负向）的主观性文本进行分析，以确定该文本的观点、喜好、情感倾向。这个案例中，我们对一个酒店评论的数据集进行分析。


数据集：
https://raw.githubusercontent.com/SophonPlus/ChineseNlpCorpus/master/datasets/ChnSentiCorp_htl_all/ChnSentiCorp_htl_all.csv


数据预览：






首先，我们定义一个pipeline，这个pipeline包含了缺失值填充、中文分词、停用词过滤、文本向量化、逻辑回归等组件。







接着，我们使用上述定义的pipeline进行模型训练、批式预测，以及结果评估。






采用不同的文本向量化方式和分类模型，可以迅速直观地比较模型的效果：





案例2、FTRL在线学习

在网络广告中，点击率（CTR）是衡量广告效果的一个非常重要的指标。因此，点击预测系统在赞助搜索和实时竞价中具有重要的应用价值。该 Demo 使用 Ftrl 方法实时训练分类模型，并进行实时预测和实时评估。


数据集：
https://www.kaggle.com/c/avazu-ctr-prediction/data  

数据预览：






首先，我们搭建一个用于做特征工程的pipeline，它由标准化和特征哈希两个组件串联而成，并通过训练得到一个pipeline model。






其次，我们用逻辑回归组件进行批式训练，得到一个初始模型。






接着，我们使用FTRL训练组件进行在线训练，用FTRL预测组件进行在线预测。






最后，我们用一个二分类评估组件进行在线评估。







评估结果可实时展现在notebook，方便开发人员实时监控模型状况。